基于深度降噪自编码网络（DDAE）的轴承退化特征提取

基于深度降噪自编码网络（DDAE）的轴承退化特征提取

Summary：针对轴承退化问题的特征提取，利用深度降噪自编码网络（DDAE）进行深度学习。提出深度降噪自编码特征提取法的基本原理，最后以该特征提取方法的实际案例来对轴承退化特征提取进行详解。结果表明DDAE具有很强的学习性能和良好的特征提取效果。Keys：深度降噪自编码网络；轴承退化；特征提取引言轴承退化问题是滚动轴承在长期工作环境中经常出现的一种问题，在现代工业生产中普遍存在。对滚动轴承进行实时检测和故障诊断不仅能够提升机械的性能和工作稳定性，还能够延长机械使用寿命，为机械加工行业提供稳定可靠的经济来源。深度降噪自编码网络（DDAE）作为一种全新的轴承退化特征提取方式目前正在被广泛应用，相关研究论述也在不断优化DDAE的演算方法。1特征提取方法研究现状关于轴承振动信息，时域、高频区域和低时频区域等传统获取振动信息的特征方式使用得最多。而时域特性则是使用最早、简洁有效的一种特性。在1962年，0.GGustafsson与TTallian便开始深入研究轴承所退化，指出了将由加速度感应器所收集获得的信息加以数据处理，算出所需检测信息的峰值点，之后再与通常的轴承所信息峰值点作比较，进而确定轴承类型的优劣，这也应该是第一个将信息时域特性运用到轴承所衰退检测中的技术案例。时域分析主要是在时间的背景上刻画振动信息的相关数据，同时保存了振荡信息的原始或完整数据，再绘出小波浪状进行分析，但由于单纯的小波分析对于机械退化的早期退化现象并不敏感，所以无法通过单纯的小波分析判断机械退化的过程时间。常规的时域、频率区间特性信息中存在着一些问题，传统的时域映射特性信息如均方根值、方根幅值、绝对平均数、方差等的量纲特性参数，还有波形价格指数、脉冲指标、裕度指标、峭度指数等无量纲特性指数中存在着对特性信息的挖掘能力有限，检测效率不够等问题，易受外部原因影响。采集的振动信息主要分为稳定信号和非稳定信号二类，但对于非稳定的振动信息，常规的时域频域特征参数并不足以表达轴承的退化信息，而频谱区间数据也并不能适应于非稳定的冲击信息，因此不少学者都认为时频分析的有效方法，但近些年又进行了更深入的探讨。2深度降噪自编码特征提取法自解码器是神经网络结构中的一种，这里的神经网络包含了一组输入层，一组甚至是几个隐藏层，以及一组输入输出层，自解码器结构与其大致相同，只不过将所有输入与输出信息变成了一种编码(encoder)与解码(decoder)的方式，在解码的进程中基本保存了信息的所有数据特性，然后再利用自编码的方式将所有信息“还原”，虽然在形式上信息并没有发生变化，但是并没有说信息完全一致，在此进程中，只有尽可能近似地“再现”所有信息，而并没有做到完全一致。所以，不少人都会觉得这是一种无监控的算法，不过自编码器并不是严格意义上的无监控，而应该称为有监控，不认为有标签，在编码器中只通过输入信息生成标签。3利用深度降噪自编码网络的轴承退化特征提取本试验通过采用电火花加工人工模拟轴承的单点退化技术，在轴承类型内圈上设定了最大退化宽度为0.17mm。试验中采用了放置于发电机驱动端与风机端之间的振动加速度计传感器拾取振荡信息，取样频率约为12000Hz。并根据驱动器端数据，记录下了当电动机速度约为1800r/min时轴承的内圈退化状况。图1频谱图图2包络频谱图从图1可知，退化类型的时域信号存在较大的差异。如轴承正常状态下的幅值为[0，0.1]，轴承内圈轻度退化下的幅值为[0，0.05]，信号具有明显的差异性，能够比较容易的区分。从轴承类型的频域信息进行大数据分析后，对轴承内圈的振动信息进行了包络线谱分析，所得的包络线频谱信息如图2。从上图可知轴承内圈的退化状况，从而可以较好的辨认出退化类型。当内圈存在衰退时期，由于内圈与承载力的方向位置相对比较稳定，频率峰值主要体现为内圈的退化类型特征频率的整数比频成分。不过对同一退化类型在不同程度的退化，仅从包络线谱图较难以辨别。而在内圈的中度退化特征中频率峰值比较集中，对干扰影响很大，因此退化特征的高倍频成分较不易进行正确识别。所以，同时频率区间图虽然可以对一些信号中差别比较显著的信号加以正确辨别，不过也对一些差别比较不显著，就如同一个退化类型在不同程度的退化，仅从时域分析图也无法作出正确判别。选定自转轴向内圈旋转约一周的样本点为下一个样本的长度，首先将截取好的振动数据采样集通过声音信号的采集和归一化处理后形成总数据集，退化在正常情况下的声音信息约300组，从总特征集随机选择约60%样品用作训练集，其余部分则用作试验集。在测试集的结果中我们可以发现，系统的进入层结点数为18，产出层结点数为7，可以通过DDAE算法来对网络中各个隐含层次的结点数、稀疏数据与输入数据设定比例，将最大的迭代时间设为150s，误差范围为4%。图3DDAE特征提取降噪DDAE自编码的网络结构参数为20-20-25，即0.2684-0.3317-0.1514，权重衰减系数为α=1*10-3，稀疏惩罚系数ξ=3，因此DAE以及Soft-max分类层的数据更新的最大迭代次数设定为100，微调的最大迭代次数设定为150。表1单隐含层中不同隐含层单元数实验结果隐层单元数识别率（%）训练时间（s）2073.3338.393077.7838.744093.8940.22从表1的实验结果可知：单隐层的网络中，随着隐层单元数的增加需要的训练时间也越来越长。网络的识别率随着隐层单元数的增加，识别率部分有明显的增长趋势。如当隐层单元数从20增加到30时，识别率也从73.33%增加到了77.78%，当隐层单元数在40时，此时网络的识别率大约在94%左右，维持在此较高位置，此时网络具有足够的隐层单元。4结论本文提出了一种基于深度学习和DDAE识别的轴承退化特征提取方法，通过DDAE网络对轴承内圈的原始数据进行频谱分析，摆脱了传统退化特征提取中大量信号处理的依赖，获得较高的轴承退化特征提取效率，故障诊断精度也有所提升。Reference：[1]韩辉,程德权,徐赫.基于堆叠降噪自编码的给水泵轴承故障诊断[J].机电工程技术,2021.[2]胡俊.基于堆栈降噪自编码的轴承故障诊断方法研究[D].江西.华东交通大学;2018.[3]朱喆,许少华.降噪自编码器深度卷积过程神经网络及在时变信号分类中的应用[J].计算机应用,2020,40(3):698-703.[4]陈林.基于深度学习的电机轴承故障诊断方法研究[D].辽宁.沈阳理工大学;2019.[5]吕勋.基于深度去噪自编码器的网络异常检测方法研究[D].南华大学,2020.[6]王鹏,邓蕾,汤宝平,等.基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测[J].